/ Модель

Характеристики

Лицензия
MIT
Опубликована
3 фев 2026

MioCodec-25Hz-24kHz

Обработка аудиоАудио → аудио3 профессии

MioCodec-25Hz-24kHz — компактный нейронный кодек для сжатия, восстановления и преобразования речи с частотой токенизации 25 Гц.

15 263скачиваний за 30 дней17лайковвеса обновлены3 фев 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

MioCodec-25Hz-24kHz — лёгкий нейронный аудиокодек от Aratako для компактного представления и восстановления речи, предназначенный для spoken language modeling. Модель использует архитектуру на основе реализации Kanade-Tokenizer и включает декодер iSTFTHead, который синтезирует waveform напрямую, без внешнего вокодера. Размер модели — 132 млн параметров; частота дискретных токенов — 25 Гц, словарь содержит 12 800 токенов, частота дискретизации выходного аудио — 24 кГц, заявленный битрейт — 341 бит/с.

Кодек разделяет речь на дискретные токены содержания, передающие фонетическую и языковую информацию, и глобальный вектор акустических характеристик, отражающий голос говорящего и особенности записи. Это подходит для реконструкции речи и преобразования голоса: при zero-shot voice conversion можно сочетать токены содержания исходной записи с глобальным вектором голоса-образца. В обучении использовались WavLM-base+ и наборы данных для речи; README подробно описывает преимущественно японские и английские обучающие данные. Метаданные также указывают поддержку английского, японского, нидерландского, французского, немецкого, итальянского, польского, португальского, испанского, корейского и китайского языков.

Модель опубликована под лицензией MIT. Заявлены низкий битрейт, быстрое выполнение и восстановление речи с высокой точностью, однако README не приводит количественных результатов оценки качества. Это аудиокодек, а не универсальная модель для генерации речи по тексту; русскоязычная поддержка не заявлена.

Сценарии применения

  • сжатие речи с низким битрейтом
  • восстановление речи из кодековых представлений
  • zero-shot преобразование голоса с сохранением содержания исходной речи
  • извлечение дискретных речевых токенов для spoken language modeling

Ограничения

Русский язык не заявлен; README не содержит количественных результатов оценки качества, поэтому качество восстановления для конкретных языков и условий записи неясно.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MioCodec-25Hz-24kHz: Lightweight Neural Audio Codec for Efficient Spoken Language Modeling

GitHub

MioCodec-25Hz-24kHz is a lightweight and fast neural audio codec designed for efficient spoken language modeling. Based on the Kanade-Tokenizer implementation, this model features an integrated wave decoder (iSTFTHead) that directly synthesizes waveforms without requiring an external vocoder.

For higher audio fidelity at 44.1 kHz, see MioCodec-25Hz-44.1kHz.

🌟 Overview

MioCodec decomposes speech into two distinct components:

  1. Content Tokens: Discrete representations that primarily capture linguistic information and phonetic content ("what" is being said) at a low frame rate (25 Hz).
  2. Global Embeddings: A continuous vector representing broad acoustic characteristics ("how")—including speaker identity, recording environment, and microphone traits.

By disentangling these elements, MioCodec is ideal for Spoken Language Modeling.

Key features

  • Lightweight & Fast: Integrated wave decoder (iSTFTHead) enables direct waveform synthesis without an external vocoder.
  • Ultra-Low Bitrate: Achieves high-fidelity reconstruction at only 341 bps.
  • End-to-End Design: Single model architecture from audio input to waveform output.

📊 Model Comparison

ModelToken RateVocab SizeBit RateSample RateSSL EncoderVocoderParametersHighlights
MioCodec-25Hz-24kHz25 Hz12,800341 bps24 kHzWavLM-base+- (iSTFTHead)132MLightweight, fast inference
MioCodec-25Hz-44.1kHz25 Hz12,800341 bps44.1 kHzWavLM-base+MioVocoder (Jointly Tuned)118M (w/o vocoder)High-quality, high sample rate
kanade-25hz25 Hz12,800341 bps24 kHzWavLM-base+Vocos 24kHz118M (w/o vocoder)Original 25Hz model
kanade-12.5hz12.5 Hz12,800171 bps24 kHzWavLM-base+Vocos 24kHz120M (w/o vocoder)Original 12.5Hz model

🚀 Quick Start

Installation

# Install via pip
pip install git+https://github.com/Aratako/MioCodec

# Or using uv
uv add git+https://github.com/Aratako/MioCodec

Basic Inference

Basic usage for encoding and decoding audio:

from miocodec import MioCodecModel, load_audio
import soundfile as sf

# 1. Load model
model = MioCodecModel.from_pretrained("Aratako/MioCodec-25Hz-24kHz").eval().cuda()

# 2. Load audio
waveform = load_audio("input.wav", sample_rate=model.config.sample_rate).cuda()

# 3. Encode Audio
features = model.encode(waveform)

# 4. Decode to Waveform (directly, no vocoder needed)
resynth = model.decode(
    content_token_indices=features.content_token_indices,
    global_embedding=features.global_embedding,
)

# 5. Save
sf.write("output.wav", resynth.cpu().numpy(), model.config.sample_rate)

Voice Conversion (Zero-shot)

MioCodec allows you to swap speaker identities by combining the content tokens of a source with the global embedding of a reference.

source = load_audio("source_content.wav", sample_rate=model.config.sample_rate).cuda()
reference = load_audio("target_speaker.wav", sample_rate=model.config.sample_rate).cuda()

# Perform conversion
vc_wave = model.voice_conversion(source, reference)
sf.write("converted.wav", vc_wave.cpu().numpy(), model.config.sample_rate)

🏗️ Training Methodology

MioCodec-25Hz-24kHz was trained in two phases with an integrated wave decoder that directly synthesizes waveforms via iSTFT.

Phase 1: Feature Alignment

The model is trained to minimize both Multi-Resolution Mel-spectrogram loss and SSL feature reconstruction loss (using WavLM-base+). The wave decoder directly generates waveforms, and losses are computed on the reconstructed audio.

  • Multi-Resolution Mel Spectrogram Loss: Using window lengths of [32, 64, 128, 256, 512, 1024, 2048].
  • SSL Feature Reconstruction Loss: Using WavLM-base+ features.

Phase 2: Adversarial Refinement

Building upon Phase 1, adversarial training is introduced to improve perceptual quality. The training objectives include:

  • Multi-Resolution Mel Spectrogram Loss: Using window lengths of [32, 64, 128, 256, 512, 1024, 2048].
  • SSL Feature Reconstruction Loss: Using WavLM-base+ features.
  • Multi-Period Discriminator (MPD): Using periods of [2, 3, 5, 7, 11, 17, 23].
  • Multi-Scale STFT Discriminator (MS-STFTD): Using FFT sizes of [118, 190, 310, 502, 814, 1314, 2128, 3444].
  • RMS Loss: To stabilize energy and volume.

📚 Training Data

The training datasets are listed below:

LanguageApprox. HoursDataset
Japanese~22,500hVarious public HF datasets
English~500hLibriheavy-HQ
English~4,000hMLS-Sidon
English~9,000hHiFiTTS-2
English~27,000hEmilia-YODAS
German~1,950hMLS-Sidon
German~5,600hEmilia-YODAS
Dutch~1,550hMLS-Sidon
French~1,050hMLS-Sidon
French~7,400hEmilia-YODAS
Spanish~900hMLS-Sidon
Italian~240hMLS-Sidon
Portuguese~160hMLS-Sidon
Polish~100hMLS-Sidon
Korean~7,300hEmilia-YODAS
Chinese~300hEmilia-YODAS

📜 Acknowledgements

🖊️ Citation

@misc{miocodec-25hz-24khz,
  author = {Chihiro Arata},
  title = {MioCodec: High-Fidelity Neural Audio Codec for Efficient Spoken Language Modeling},
  year = {2026},
  publisher = {Hugging Face},
  journal = {Hugging Face repository},
  howpublished = {\url{https://huggingface.co/Aratako/MioCodec-25Hz-24kHz}}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Обработка «аудио → аудио» пока не поддерживается.

Ревизия весов
3a737f0

0 моделей